鄧劉洋，沈占鋒※，柯映明，許澤宇

?

基于地塊尺度多時(shí)相遙感影像的冬小麥種植面積提取

鄧劉洋1,2，沈占鋒1,2※，柯映明1,2，許澤宇1,2

（1. 中國(guó)科學(xué)院 遙感與數(shù)字地球研究所, 北京 100101；2. 中國(guó)科學(xué)院大學(xué)，北京 100049）

針對(duì)僅利用單一遙感影像數(shù)據(jù)獲取農(nóng)作物信息精度不夠問題，該文選擇冬小麥主產(chǎn)地河南省蘭考縣鄉(xiāng)鎮(zhèn)作為研究區(qū)，以2017年多時(shí)相中分辨率Landsat8 OLI影像和Google earth上下載的亞米級(jí)高分影像為遙感數(shù)據(jù)源，結(jié)合光譜差異和農(nóng)田地塊信息實(shí)現(xiàn)冬小麥的精確提取。該算法首先構(gòu)建不同時(shí)相決策樹模型，分別實(shí)現(xiàn)2個(gè)時(shí)相的冬小麥區(qū)域初步提??；其次通過將對(duì)高分影像多尺度分割產(chǎn)生的地塊信息分別與2個(gè)時(shí)相冬小麥播種面積初步區(qū)域相互疊加，完成地塊單元控制下的冬小麥播種面積分地塊統(tǒng)計(jì)，并通過設(shè)定不同統(tǒng)計(jì)閾值，分析落在每一地塊單元下的冬小麥區(qū)域，生成基于地塊單元的冬小麥播種面積分布圖；最后通過多時(shí)相交叉驗(yàn)證，獲取最終冬小麥播種區(qū)域。結(jié)果表明：該方法能更加準(zhǔn)確提取冬小麥種植面積，保持較低的誤判率（1.3%）水平下，得到較高的提取正確率（95.9%），較通過對(duì)比單一Google earth高分辨率影像獲取冬小麥精度（85.6%）高，該研究對(duì)通過融合多源多時(shí)相影像數(shù)據(jù)獲取農(nóng)作物提供參考。

遙感；作物；監(jiān)測(cè)；冬小麥；播種面積；地塊分類

0 引 言

小麥?zhǔn)侨澜绶秶鷥?nèi)大量種植的三大谷類作物之一，及時(shí)、準(zhǔn)確地獲取冬小麥作物種植信息是國(guó)家制定糧食政策和經(jīng)濟(jì)發(fā)展計(jì)劃的重要依據(jù)[1-3]。遙感是一種對(duì)地觀測(cè)綜合性技術(shù)，具有宏觀性、經(jīng)濟(jì)性和時(shí)效性等優(yōu)點(diǎn)，其迅猛快速的發(fā)展為冬小麥快速準(zhǔn)確獲取提供了有效手段[4-8]，特別是農(nóng)業(yè)遙感領(lǐng)域，對(duì)當(dāng)前精細(xì)農(nóng)業(yè)發(fā)展、農(nóng)業(yè)監(jiān)測(cè)等應(yīng)用有著重要的意義[9-11]。國(guó)際上開展農(nóng)作物種植面積提取的研究工作比較早，20世紀(jì)70年代，美國(guó)研究人員進(jìn)行了大面積小麥種植面積和產(chǎn)量的預(yù)估，之后又進(jìn)行了“農(nóng)業(yè)資源空間遙感調(diào)查”，對(duì)全球主要農(nóng)作物的長(zhǎng)勢(shì)和總產(chǎn)量進(jìn)行了預(yù)估[12]。國(guó)內(nèi)研究始于20世紀(jì)80年代，主要研究對(duì)象是小麥[13-14]，大致上可以分為以下3個(gè)部分：1）基于低空間分辨率的MODIS數(shù)據(jù)，利用此類數(shù)據(jù)的高時(shí)間分辨率等特征，采用農(nóng)作物物候信息獲取MODIS-NDVI時(shí)間序列，對(duì)小麥面積進(jìn)行了提取[15-17]。如趙晶晶等通過NDVI閾值構(gòu)建決策樹模型，基于獲取的MODIS-NDVI時(shí)間序列對(duì)冬小麥播種面積完成提取[18]；鄒金秋等以MODIS-EVI數(shù)據(jù)為數(shù)據(jù)源，結(jié)合不同時(shí)相數(shù)據(jù)和非監(jiān)督分類方法，實(shí)現(xiàn)冬小麥種植面積提取[19]；許文波等利用MODIS遙感影像實(shí)現(xiàn)對(duì)冬小麥種植面積的監(jiān)測(cè)[20]；劉旭攏基于MODIS數(shù)據(jù)采用混合像元分解提取冬小麥種植面積[21]。高時(shí)間分辨影像往往具有較低的空間分辨率，受到背景干擾信息的影響，很難僅依靠光譜信息將冬小麥準(zhǔn)確分開。2）基于較高空間分辨率，根據(jù)面向?qū)ο笏枷?，結(jié)合光譜、紋理等特征實(shí)現(xiàn)對(duì)象級(jí)作物信息提取。如王啟田等利用面向?qū)ο蟮姆椒ㄟM(jìn)行冬小麥種植面積提取研究[22]；范磊等對(duì)遙感影像進(jìn)行多尺度分割，提取冬小麥種植面積的空間分布[23]。面向?qū)ο蟮乃枷牒芎玫乇苊饬艘话阆袼丶?jí)分類中的“椒鹽”現(xiàn)象，但若能很好控制影像的分割尺度，提取的精度精將得到進(jìn)一步提高。3）基于較高空間分辨率和高時(shí)間分辨率的不同數(shù)據(jù)源進(jìn)行農(nóng)作物提取研究，如融合Landsat TM和MODIS影像提取冬小麥種植面積[24]。此類方法根據(jù)小麥物候特征獲取影像數(shù)據(jù)，時(shí)間跨度較大，數(shù)據(jù)處理繁瑣。結(jié)合TM數(shù)據(jù)，也難免忽視因MODIS低空間分辨率混合像元帶來的提取誤差。加之冬小麥地塊瑣碎，田間道路縱橫交錯(cuò)，很難高精度獲取目標(biāo)作物種植面積。一般認(rèn)為，基于地塊的作物分類思想是在地塊邊界控制下，將中分辨率遙感影像分割成代表某種地物類型的特征基元，利用特征基元內(nèi)的光譜特征、植被指數(shù)及紋理特征等組合不同的特征向量，根據(jù)特征向量進(jìn)行地物分類。如朱長(zhǎng)明等[25]引入“地塊”概念，將農(nóng)作物的種植信息規(guī)范在矢量地塊基元內(nèi)，其方法首先基于地塊分割方法（即：在地塊基元下，對(duì)多景ETM+影像分割，獲取同樣形狀的地塊特征基元），進(jìn)而實(shí)現(xiàn)地塊特征下光譜特征規(guī)則集作物提取。由于地塊的邊界獲取受到影像分辨率的影響，以地塊為邊界對(duì)多時(shí)相影像分割時(shí)，很容易出現(xiàn)“過分割、欠分割”現(xiàn)象。并且由于細(xì)小地塊的“破碎現(xiàn)象”，很難將破碎地塊進(jìn)行分離。

由于農(nóng)作物種植類型復(fù)雜，僅依靠光譜特征很難準(zhǔn)確地將冬小麥與其他干擾地物分開來。而高空間分辨率影像，尤其是亞米級(jí)的高分影像，由于其數(shù)據(jù)量大、光譜信息弱，且時(shí)間分辨率低，大量獲取農(nóng)作物種植信息難度較大。結(jié)合高分與中分辨率影像的各自優(yōu)勢(shì)，面向農(nóng)田地塊單元，充分表達(dá)農(nóng)作物的地塊屬性，將農(nóng)作物種植區(qū)域很好地控制在地塊單元內(nèi)。文中由于高分遙感影像系列不易獲取，并考慮到Google earth影像具有幾何精度高、云少且可免費(fèi)獲得，滿足農(nóng)田地塊邊界的獲取要求，因此本文選擇從Google earth上免費(fèi)抓取高分影像，獲取農(nóng)田地塊信息，然后疊加多時(shí)相OLI影像冬小麥種植區(qū)域，最終獲取精確冬小麥種植區(qū)域。結(jié)合以上分析，本文建立地塊尺度的冬小麥分布遙感提取方法：1）利用光譜信息構(gòu)建決策樹分別提取多時(shí)相OLI影像冬小麥初步區(qū)域；2）基于高分Google影像，分割、提取農(nóng)田地塊矢量邊界數(shù)據(jù)獲取；3）統(tǒng)計(jì)分析每一地塊單元下的初步冬小麥區(qū)域，建立農(nóng)田地塊尺度下冬小麥遙感識(shí)別與提取方法。

1 試驗(yàn)區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

豫中東地區(qū)為河南省東中部平原，是全省冬小麥主產(chǎn)區(qū)。該地區(qū)水、光、熱水條件均衡，小麥越冬期間光照充足，為小麥培育壯苗健康發(fā)展提供了良好的氣候環(huán)境。蘭考縣，為河南省直管縣，總面積1 116 km2，轄14個(gè)鄉(xiāng)鎮(zhèn)、3個(gè)街道辦事處，全縣451個(gè)行政村，農(nóng)業(yè)人口達(dá)到68萬人。作為冬小麥主產(chǎn)地之一，蘭考縣現(xiàn)有耕地面積7萬hm2，主要耕地類型為冬小麥、玉米、棉花等。本文研究區(qū)首先選取蘭考縣張君墓鎮(zhèn)，分析冬小麥提取結(jié)果，進(jìn)而擴(kuò)展到整個(gè)蘭考縣以驗(yàn)證方法的適用性。

1.2 數(shù)據(jù)源選擇及預(yù)處理

農(nóng)作物在生長(zhǎng)發(fā)育階段會(huì)展現(xiàn)不同的物候特征，即表現(xiàn)為遙感影像上的光譜差異，并且這種季相規(guī)律在不同農(nóng)作物類型之間存在差異[26]。冬小麥從播種至收獲，經(jīng)歷秋末、冬、春和初夏4個(gè)時(shí)節(jié)，生長(zhǎng)發(fā)育期為230 d左右。試驗(yàn)原理是根據(jù)季節(jié)變化規(guī)律尋求光譜信息差異最大的時(shí)期，有利于排除其他地物的干擾，實(shí)現(xiàn)遙感作物的識(shí)別。田海峰等[27]根據(jù)歸一化差異水體指數(shù)、歸一化植被指數(shù)等光譜參數(shù)，并結(jié)合實(shí)地調(diào)查識(shí)別出河南省縣域內(nèi)冬小麥實(shí)際種植面積，表明華北豫中東地區(qū)冬小麥分蘗期至拔節(jié)期是遙感監(jiān)測(cè)冬小麥的最佳時(shí)期，且在該時(shí)期內(nèi)一期高質(zhì)量的OLI影像即可較為精確地獲得冬小麥種植面積。3月，冬小麥處于返青、拔節(jié)期，植被指數(shù)開始增加；5月至6月，冬小麥逐漸達(dá)到成熟，NDVI達(dá)到最值，此時(shí)玉米處于播種季節(jié)，植被指數(shù)不明顯，棉花處于生長(zhǎng)期，NDVI等植被指數(shù)快速增加階段（表1）。

表1 河南省主要作物生育期及冬小麥種植提取最佳時(shí)相

根據(jù)冬小麥最佳時(shí)相分析，選出豫中東地區(qū)的河南省蘭考縣2017年3月4日和2017年5月7日2個(gè)時(shí)期高質(zhì)量OLI影像（空間分辨率30 m），其數(shù)據(jù)來源為美國(guó)USGS官網(wǎng)上下載得到。以及從Google earth上下載的空間分辨率為0.49 m（18級(jí)）的高分影像（2017年5月28日）。通過對(duì)OLI影像進(jìn)行輻射定標(biāo)、大氣校正得到影像反射率數(shù)據(jù)。參照Google earth高分影像，完成幾何校正以及相互之間的配準(zhǔn)。本文研究中選擇河南省蘭考縣張君墓鎮(zhèn)（現(xiàn)更名為考城鎮(zhèn)）為試驗(yàn)研究區(qū)，并疊加農(nóng)業(yè)部門獲取的鄉(xiāng)村級(jí)矢量行政邊界圖，Google earth高分影像圖如圖1所示。

圖1 蘭考縣張君墓鎮(zhèn)研究區(qū)高分Google earth影像圖

2 研究方法

充分考慮Google earth上的影像高空間分辨率（低光譜和時(shí)間分辨率）和OLI影像較高的光譜和時(shí)間分辨率（空間分辨率相對(duì)較低），首先通過基于光譜植被指數(shù)構(gòu)建2個(gè)時(shí)相冬小麥提取規(guī)則集，得到2個(gè)時(shí)相的冬小麥區(qū)域初步提取結(jié)果；然后在高分辨率Google earth影像上提取農(nóng)田地塊單元；通過農(nóng)田地塊專題圖分別與兩個(gè)時(shí)相的冬小麥初步提取結(jié)果相疊加，分析統(tǒng)計(jì)落在每一地塊單元下的冬小麥初步區(qū)域，獲取以地塊為基礎(chǔ)的冬小麥區(qū)域；最后通過兩個(gè)時(shí)相的相互修正，得到最終的精確冬小麥播種面積分布圖。并在此基礎(chǔ)上推廣到蘭考縣縣域范圍，進(jìn)行方法驗(yàn)證。具體技術(shù)流程如圖2所示。

2.1 基于OLI數(shù)據(jù)冬小麥種植區(qū)域初步提取

結(jié)合不同時(shí)相的OLI影像數(shù)據(jù)光譜特征差異，構(gòu)建不同時(shí)相冬小麥信息提取模型。植被與土壤背景的反射在可見光與近紅外波段存在較大差異，并且光譜植被指數(shù)隨著時(shí)間的變化，與植被物候信息呈現(xiàn)一定的規(guī)律[28]。歸一化植被指數(shù)（normalization difference vegetable index，NDVI）和綠度指數(shù)（green vegetable index，GVI）能夠很好反映這一光譜特征。本文根據(jù)NDVI、GVI以及綠波段反射率（Green），構(gòu)建決策樹信息提取模型。

式中NIR影像近紅外波段反射率，為紅色波段反射率。

圖2 基于地塊尺度多時(shí)相遙感影像的冬小麥種植面積提取流程圖

2.2 農(nóng)田地塊專題圖獲取

地塊信息具有明顯的邊界和內(nèi)部結(jié)構(gòu)的相對(duì)穩(wěn)定性，以此為基準(zhǔn)提取農(nóng)作物信息能有效改善邊界混合像元引起的錯(cuò)分、漏分地塊域[29-30]。亞米級(jí)高分辨影像上，地塊邊界清晰，基于易康（eCognition）軟件多尺度分割算法，實(shí)現(xiàn)對(duì)Google earth高分辨率影像分割，為了使分割結(jié)果與地塊邊界吻合，經(jīng)過多次試驗(yàn)選取最佳尺度為200，形狀因子設(shè)置為0.5，空間緊湊度為0.5時(shí)達(dá)到最佳分割效果。通過提取分割后的矢量信息，人工目視時(shí)去除非地塊信息，選取農(nóng)田地塊數(shù)據(jù)。獲取的農(nóng)田地塊排除了非農(nóng)作物植干擾信息的影響，將提取范圍控制在農(nóng)田地塊內(nèi)。并且地塊邊界長(zhǎng)期穩(wěn)定，獲取農(nóng)田地塊也具有較高復(fù)用性，農(nóng)田地塊的分布信息如圖3所示。

圖3 研究區(qū)農(nóng)田地塊信息分布圖

2.3 基于地塊單元的冬小麥種植區(qū)域分地塊統(tǒng)計(jì)

農(nóng)田地塊邊界具有相對(duì)較長(zhǎng)期的穩(wěn)定性，在地塊內(nèi)部一定程度上降低了光譜差異和混合像元的復(fù)雜度[31]，將獲取的冬小麥初步區(qū)域疊加在高分影像獲得的農(nóng)田地塊上，以地塊為邊界獲取高分影像上冬小麥地塊區(qū)域。

考慮在初步獲取的冬小麥區(qū)域分布圖中，由于分辨率等因素，在地塊邊界處有大量干擾地物的存在，使得獲取的冬小麥區(qū)域精度較低，并且獲得的初步冬小麥區(qū)域與矢量農(nóng)田地塊邊界疊加之后，邊界不吻合。因此本文嘗試基于矢量農(nóng)田地塊區(qū)域，疊加冬小麥的初步提取結(jié)果，提出地塊控制下的冬小麥分地塊統(tǒng)計(jì)方法，具體的方法為：以每一個(gè)矢量地塊單元為分地塊單元，統(tǒng)計(jì)落在分地塊單元內(nèi)的小麥區(qū)域占該單元的百分比，即分地塊統(tǒng)計(jì)比值（以落在每個(gè)地塊內(nèi)像元個(gè)數(shù)為統(tǒng)計(jì)單位）；根據(jù)設(shè)定的不同閾值，分析同一個(gè)閾值下的正確率和誤判率，使得正確率和誤判率達(dá)到最優(yōu)，從而獲取冬小麥區(qū)域的最佳提取結(jié)果。

2.4 OLI影像多時(shí)相分析

農(nóng)作物物候差異有助于遙感影像上地物的識(shí)別。充分利用冬小麥季節(jié)物候特征，將其加入到地塊為基礎(chǔ)的空間位置信息中進(jìn)行作物識(shí)別，可較大程度提高農(nóng)作物識(shí)別精度[32]。本研究基于最佳時(shí)相分析，充分利用冬小麥物候特征，根據(jù)分地塊統(tǒng)計(jì)提取結(jié)果，選擇最優(yōu)閾值（即正確率、誤判率達(dá)到最優(yōu)），將在高分影像上獲取的兩個(gè)時(shí)相冬小麥分布區(qū)域結(jié)果相互融合交叉驗(yàn)證，糾正錯(cuò)誤提取的區(qū)域，獲得更高的精度。

2.5 構(gòu)建精度評(píng)價(jià)體系

提取的精度需要以某一標(biāo)準(zhǔn)結(jié)果為參考，遙感影像分類精度通常是構(gòu)建各種統(tǒng)計(jì)量，最終給出總體和基于各種地物類型的分類精度。本研究以獲取的高分影像農(nóng)田地塊為基準(zhǔn)，目視識(shí)別冬小麥地塊屬性信息，以及參照獲取的該地區(qū)農(nóng)業(yè)專題圖為準(zhǔn)真值，對(duì)分地塊統(tǒng)計(jì)獲得的不同提取結(jié)果進(jìn)行精度分析。試驗(yàn)中從單一時(shí)相冬小麥播種識(shí)別精度、總面積精度，及2個(gè)時(shí)相冬小麥提取結(jié)果交叉驗(yàn)證這2個(gè)方面構(gòu)建評(píng)價(jià)體系。

2.5.1 識(shí)別精度

識(shí)別精度是指與準(zhǔn)真值作為比較，被誤判為冬小麥、及漏判的冬小麥區(qū)域的一個(gè)精度評(píng)價(jià)指標(biāo)方法，通過選擇驗(yàn)證點(diǎn)，計(jì)算誤判率和正確率2個(gè)指標(biāo)。其中誤判率是指，落在錯(cuò)誤識(shí)別為小麥區(qū)域的驗(yàn)證點(diǎn)的個(gè)數(shù)與全部落在非小麥區(qū)域的驗(yàn)證點(diǎn)個(gè)數(shù)比值；正確率指落在正確識(shí)別為小麥區(qū)域的驗(yàn)證點(diǎn)個(gè)數(shù)與全部落在小麥區(qū)域的驗(yàn)證點(diǎn)個(gè)數(shù)比值。為了保證評(píng)價(jià)的驗(yàn)證點(diǎn)代表性，本試驗(yàn)基于GIS軟件，從研究區(qū)中隨機(jī)選取175個(gè)驗(yàn)證點(diǎn)，均勻分布在小麥和非小麥區(qū)域。

2.5.2 總面積精度

區(qū)域總面積精度是指一定范圍的行政或自然單元內(nèi)冬小麥識(shí)別總面積與準(zhǔn)真值總量的對(duì)比結(jié)果，見式（3）。

式中A是整個(gè)研究區(qū)內(nèi)本文方法提取的冬小麥播種面積總量；0表示目視解釋得出的冬小麥總面積準(zhǔn)真值。

2.5.3 交叉驗(yàn)證

大量干擾地物信息的存在，對(duì)從單一時(shí)相中提取農(nóng)作物信息有更高的要求。為了進(jìn)一步提高分類精度，充分利用時(shí)間譜信息，采用兩個(gè)時(shí)相分別提取冬小麥并進(jìn)行交叉驗(yàn)證。即在第一個(gè)時(shí)相上判斷為冬小麥的地塊圖斑，也同樣滿足第二個(gè)時(shí)相上冬小麥的識(shí)別結(jié)果，反之亦然。交叉驗(yàn)證是基于兩個(gè)實(shí)相農(nóng)田地塊的識(shí)別結(jié)果，可通過目視判別，糾正誤判的植被類型信息。

3 結(jié)果與分析

3.1 冬小麥初步區(qū)域獲取結(jié)果

以地面獲取樣本點(diǎn)為基準(zhǔn)，經(jīng)過多次試驗(yàn)構(gòu)建如下模型；3月4日蘭考地區(qū)冬小麥處于拔節(jié)期，計(jì)算得出的歸一化植被指數(shù)較低，綠波段反射率較高，且其他植被作物光譜特征不明顯，構(gòu)建決策樹模型R1：{NDVI≥0.4；GVI>1；Green≤0.14}。而5月7日冬小麥處于拔節(jié)至抽穗成熟期，植被光譜特征明顯，冬小麥區(qū)域NDVI達(dá)到0.7~0.9，處于峰值。并考慮到5月到6月其他作物（棉花）處于快速增長(zhǎng)，為了便于區(qū)別，設(shè)定較大閾值（NDVI≥0.75）去除其他作物的影響，構(gòu)建決策樹模型R2：{ NDVI≥0.75；GVI>1；Green≤0.09}。通過構(gòu)建的2個(gè)時(shí)相決策樹模型，分別獲取試驗(yàn)區(qū)內(nèi)冬小麥的初步提取結(jié)果，如圖4所示。

圖4 不同時(shí)相冬小麥初步提取結(jié)果

3.2 分地塊統(tǒng)計(jì)結(jié)果分析

根據(jù)在Google earth影像上獲取農(nóng)田地塊，分別疊加2個(gè)時(shí)相OLI影像冬小麥初步區(qū)域，以地塊為基準(zhǔn)，統(tǒng)計(jì)獲取高分影像上的冬小麥地塊。

結(jié)合分地塊統(tǒng)計(jì)分析，由圖5可以直觀看到不同統(tǒng)計(jì)閾值，獲取的不同冬小麥提取結(jié)果，展現(xiàn)出冬小麥的誤判、漏提現(xiàn)象（圖中矩形框內(nèi)）?；跇?gòu)建的精度評(píng)價(jià)體系，以隨機(jī)驗(yàn)證點(diǎn)獲取出2個(gè)時(shí)相的提取精度（誤判率、正確率、總面積精度）結(jié)果（圖6），其中橫坐標(biāo)代表的含義是指大于等于分地塊統(tǒng)計(jì)比值時(shí)（閾值）所得的誤判率、正確率及總面積精度。

注：矩形框內(nèi)表示誤判、漏提取現(xiàn)象。

圖6 不同時(shí)相冬小麥分地塊統(tǒng)計(jì)精度分析

從圖中（圖5、圖6）分析（以時(shí)相1為例），當(dāng)分地塊統(tǒng)計(jì)比值的閾值設(shè)置為≥0.02時(shí)，正確率達(dá)到94.9%、誤判率為9.1%，如圖5a，出現(xiàn)大量誤判現(xiàn)象（矩形框內(nèi)）；當(dāng)閾值設(shè)置為0.05時(shí)，正確率沒有變化，誤判率降低了2.6%。當(dāng)閾值設(shè)置為0.10時(shí)，誤判率繼續(xù)降低，正確率也隨之下降，如圖5b，誤判現(xiàn)象有所下降；當(dāng)閾值達(dá)到0.25時(shí)，誤判率為0，但此時(shí)出現(xiàn)大量的冬小麥地塊漏提現(xiàn)象，導(dǎo)致正確率會(huì)急劇下降，如圖5c和5d所示，隨著閾值提高，出現(xiàn)大量漏提現(xiàn)象。從總面積精度的角度來看，在分地塊統(tǒng)計(jì)閾值為0.15到0.20時(shí)，面積精度達(dá)到最高，由于冬小麥農(nóng)田地塊存在漏提與多提現(xiàn)象，其總面積精度變化不大；但閾值到0.25以后，總面積精度大幅度下降。

3.3 多時(shí)相遙感冬小麥分布取結(jié)果

在2個(gè)時(shí)相數(shù)據(jù)獲得的高分冬小麥地塊區(qū)域的基礎(chǔ)上，結(jié)合以上分析，選取時(shí)相1分地塊統(tǒng)計(jì)比值閾值為0.20（相對(duì)將高的正確率91.8%、較低的誤判率）的冬小麥識(shí)別結(jié)果和時(shí)相2閾值為0.30（正確率93.8%）的識(shí)別結(jié)果進(jìn)行交叉驗(yàn)證，通過目視判別錯(cuò)誤的植被信息得到最終的冬小麥分布圖，疊加高分Google earth影像作為底圖，得到結(jié)果如圖7所示。

圖7 冬小麥播種面積分布圖

為了驗(yàn)證最終獲得的冬小麥區(qū)域，同樣采用隨機(jī)驗(yàn)證點(diǎn)的方法，以識(shí)別精度和總面積估算精度2個(gè)方面進(jìn)行精度評(píng)價(jià)，見表2所示。冬小麥識(shí)別正確率為95.9%，分別高于時(shí)相1和時(shí)相2的91.8%、93.8%，并且誤判率處于較低水平，總體識(shí)別精度得到了提高。經(jīng)過糾正后，冬小麥提取的總面積精度達(dá)到99.0%。

表2 不同方法冬小麥提取精度對(duì)比

3.4 提取結(jié)果分析評(píng)價(jià)

3.4.1 驗(yàn)證評(píng)價(jià)

本文使用高分Google earth影像提供的矢量地塊邊界和多時(shí)相OLI影像進(jìn)行融合疊加，為了驗(yàn)證本文方法的可靠性，基于Google earth影像進(jìn)行分割、分類提取冬小麥區(qū)域，并與之進(jìn)行對(duì)比。試驗(yàn)中，基于同樣的分割尺度（尺度為200，形狀因子設(shè)置為0.5，空間緊湊度為0.5），獲取對(duì)象基元?？紤]到?jīng)Q策模型的一致性，采用與Google影像時(shí)間相近的R2決策樹模型（2017年5月7日），獲取冬小麥區(qū)域。并同樣基于隨機(jī)驗(yàn)證點(diǎn)方法，獲取提取精度。如圖8所示。通過精度對(duì)比，僅基于Google earth影像獲取的冬小麥（表2），有較多漏提現(xiàn)象（如圖8矩形框內(nèi)），精度為85.6%?？梢娙诤细叻质噶康貕K與中分光譜信息綜合提取冬小麥，有較大改進(jìn)。

圖8 Google earth提取冬小麥播種面積

3.4.2 縣域內(nèi)方法驗(yàn)證

進(jìn)一步驗(yàn)證本文方法的有效性和適用性，嘗試將本文算法運(yùn)用到整個(gè)蘭考縣，驗(yàn)證冬小麥提取的準(zhǔn)確性。試驗(yàn)使用單景OLI影像（2017年5月7日）和同樣基于2017年5月28日高分Google earth（空間分辨率0.49 m）提取出的農(nóng)田地塊數(shù)據(jù)，獲得不同分地塊比值下的冬小麥地塊分布圖，如圖9所示。誤差分析如圖10所示。

圖9 蘭考縣冬小麥分地塊比值分布圖

圖10 純地塊與混合地塊冬小麥分布圖

當(dāng)分地塊比值在0到0.20間內(nèi)（即初步獲取的冬小麥占地塊單元為0~0.20），為非冬小麥區(qū)域（未種植的地塊），這是由于初步獲取的冬小麥混合像元引起；比值大于0.20時(shí)，為大量冬小麥區(qū)域。因此該區(qū)域可將分地塊閾值設(shè)定為0.20，作為最終的冬小麥區(qū)域。同樣采用隨機(jī)驗(yàn)證點(diǎn)的方法（175個(gè)隨機(jī)驗(yàn)證點(diǎn)），以識(shí)別精度和總面積估算2個(gè)方面進(jìn)行精度評(píng)價(jià)，見表3所示。冬小麥識(shí)別正確率為91.5%，但出現(xiàn)11.1%的誤判率。由于縣域范圍內(nèi)，提取的農(nóng)田地塊較為瑣碎，出現(xiàn)較多誤判現(xiàn)象，需要針對(duì)性的對(duì)細(xì)小地塊以及提取地塊的精度作進(jìn)一步分析。

表3 蘭考縣冬小麥提取精度

通常種植結(jié)構(gòu)單一、且農(nóng)田地塊連片區(qū)域冬小麥較易識(shí)別，而在地塊破碎區(qū)域由于地塊內(nèi)光譜變異和邊界光譜混合現(xiàn)象嚴(yán)重識(shí)別精度較低。在地塊分類中，冬小麥錯(cuò)分與漏分情況大多發(fā)生在破碎地塊，并且由于受到地塊分割尺度的影響，導(dǎo)致地塊未能完全按照單一作物類型分割，出現(xiàn)混合地塊。本文通過控制分地塊統(tǒng)計(jì)閾值來區(qū)分純地塊冬小麥和混合地塊冬小麥分布區(qū)域，以此提供進(jìn)一步的誤差分析基礎(chǔ)。對(duì)于識(shí)別出的混合地塊冬小麥區(qū)域（單一地塊內(nèi)混合作物），需要進(jìn)一步地做分解地塊處理，本文不再討論。在得到的冬小麥播種區(qū)域基礎(chǔ)上，結(jié)合實(shí)地調(diào)查數(shù)據(jù)并結(jié)合以上分析：當(dāng)分地塊統(tǒng)計(jì)比值為0到0.20時(shí)為非小麥區(qū)域；0.50到0.70為純地塊冬小麥區(qū)域；0.20到0.50及0.70到1.00的地塊則 為識(shí)別精度較低的混合、破碎地塊冬小麥區(qū)域。如圖10所示。

4 結(jié)論與建議

本文實(shí)際上構(gòu)建了多源分辨率影像上冬小麥提取模型，充分利用中空間分辨率的光譜、時(shí)間特征，結(jié)合高空間分辨影像的空間特征，以地塊數(shù)據(jù)作為媒介，實(shí)現(xiàn)不同影像分辨率數(shù)據(jù)的銜接。1）本文的指導(dǎo)思想即是一個(gè)從“圖”到“譜”，由“譜”聚“圖”，“圖譜耦合”的遙感認(rèn)知深入過程。2）本文實(shí)際上利用了影像地物的“圖”信息，通過加入農(nóng)田地塊信息控制農(nóng)作物邊界，有效避免非感興趣區(qū)地物的干擾；增加遙感影像的時(shí)間信息，充分利用農(nóng)作物物候特征構(gòu)建不同時(shí)相的決策樹提取模型，相互驗(yàn)證更正錯(cuò)誤信息，提高識(shí)別的準(zhǔn)確性。

基于地塊的作物分類方法對(duì)地塊邊界光譜與地塊內(nèi)部光譜變異混合問題得到很好的控制，有效解決像元分類的“椒鹽”現(xiàn)象。并且將矢量地塊邊界信息與遙感影像通過位置關(guān)系有機(jī)地結(jié)合在一起，使得影像上的地塊與地面實(shí)際地塊相對(duì)應(yīng)，豐富影像分類中具有實(shí)物意義的地理信息，能實(shí)現(xiàn)對(duì)影像地塊內(nèi)地理信息的空間位置、幾何關(guān)系和景觀特征等準(zhǔn)確表達(dá)，更加符合人類對(duì)影像地物的認(rèn)識(shí)。本文在最終的信息提取過程中，通過分析比較不同的分地塊統(tǒng)計(jì)閾值產(chǎn)生的不同識(shí)別精度，獲得冬小麥播種區(qū)域，獲取最終95.9%的正確率。相比于基于單一Google earth影像獲取的結(jié)果（85.6%）更能符合應(yīng)用需求。通過比較落在地塊邊界內(nèi)不同比例的作物信息，能更進(jìn)一步分析不同程度的混合像元所造的分類精度問題，在保持較低誤判率情況下，實(shí)現(xiàn)較高的提取正確率。從影像的識(shí)別精度角度來看，有更大的選擇空間。

本文通過在縣域內(nèi)試驗(yàn)該方法，通過對(duì)比驗(yàn)證，說明該方法有一定普適性。但相比于鄉(xiāng)鎮(zhèn)試驗(yàn)區(qū)，由于縣域內(nèi)農(nóng)作物種植結(jié)構(gòu)較為復(fù)雜，且農(nóng)田地塊數(shù)據(jù)的精度低，導(dǎo)致提取精度有所下降，說明本文方法在小范圍內(nèi)實(shí)現(xiàn)農(nóng)作物精確提取更加突顯優(yōu)勢(shì)。

本文在進(jìn)一步的研究中可以從以下幾個(gè)方面探討：1）農(nóng)田地塊的獲取是基于面向?qū)ο蟮亩喑叨确指睿话阕顑?yōu)的分割精度是滿足分割的對(duì)象具有實(shí)際意義的特征對(duì)象，每一個(gè)基元代表一種地物類型，并且在種植結(jié)構(gòu)復(fù)雜區(qū)域，要注重細(xì)碎地塊的分割；2）本文獲取的冬小麥初步區(qū)域是基于Landsat OLI影像，實(shí)際上對(duì)冬小麥區(qū)域的初步獲取提出了一定要求。進(jìn)一步可以考慮使用時(shí)間分辨更高的MODIS等影像數(shù)據(jù)，突顯農(nóng)作物的時(shí)間物候特征；3）對(duì)分類器的進(jìn)一步改進(jìn)，建立更加合理的分類體系，提高冬小麥初步區(qū)域提取精度，對(duì)后續(xù)的分地塊統(tǒng)計(jì)分析提取提供更有力數(shù)據(jù)的保障；4）本文需要進(jìn)一步試驗(yàn)該算法的適用性，在更大范圍和種植結(jié)構(gòu)復(fù)雜區(qū)域內(nèi)進(jìn)一步提高算法精度。

[1] Organization A. Agricultural commodities: Profiles and relevant WTO negotiating issues. Background document for the Consultation on Agricultural Commodity Price Problems[EB/OL]. [2018-08-29]. https://eurekamag.com/ research/003/636/003636078.php

[2] Macdonald R B, Hall F G. Global crop forecasting[J]. Science, 1980, 208(4445): 670－679.

[3] Wittwer S H. Food, climate, and carbon dioxide: The global environment and world food production[J]. Journal of Environmental Quality, 1995, 26(1): 321.

[4] Zwart S J, Bastiaanssen W G M, Fraiture C D. WATPRO: A remote sensing based model for mapping water productivity of wheat[J]. Agricultural Water Management, 2010, 97(10): 1628－1636.

[5] Beckerreshef I, Vermote E, Lindeman M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J]. Remote Sensing of Environment, 2010, 114(6): 1312－1323

[6] Johnson D M. An assessment of pre- and within-season remotely sensed variables for forecasting corn and soybean yields in the United States[J]. International Statistical Review, 2014, 73(3): 389－404.

[7] Carfagna E, Gallego F J. Using remote sensing for agricultural statistics[J]. International Statistical Review, 2005, 73(3): 389－404.

[8] Manjunath K R, Potdar M B, Purohit N L. Large area operational wheat yield model development and validation based on spectral and meteorological data[J]. International Journal of Remote Sensing, 2002, 23: 3023?3038.

[9] Esch T, Metz A, Marconcini M, et al. Combined use of multi-seasonal high and medium resolution satellite imagery for parcel-related mapping of cropland and grassland[J]. International Journal of Applied Earth Observation & Geoinformation, 2014, 28(28): 230－237.

[10] Bban S M J, Luke C. Mapping agricultural land use using retrospective ground referenced data, satellite sensor imagery and GIS[J]. International Journal of Remote Sensing, 2000, 21(8): 1757－1762.

[11] Mauro C, Eufemia T. Accuracy assessment of per-field classification integrating very fine spatial resolution satellite imagery with topographic data[J]. Journal of Geo Spatial Engineering, 2001, 3(2): 127－134.

[12] 陳水森，柳欽火，陳良富，等. 糧食作物播種面積遙感監(jiān)測(cè)研究進(jìn)展. 農(nóng)業(yè)工程學(xué)報(bào)，2005，21(6)：166－171. Chen Shuisen, Liu Qinhuo, Chen Liangfu, et al. Review of research advances in remote sensing monitoring of grain crop area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(6): 166－171. (in Chinese with English abstract)

[13] 劉海啟，金敏毓，龔維鵬. 美國(guó)農(nóng)業(yè)遙感技術(shù)應(yīng)用狀況概述[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，1999，20(2)：56－60. Liu Haiqi, Jin Minyu, Gong Weipeng. Applications of remote sensing agriculture in the United States. Journal of China Agricultural[J] Resources and Regional Planning, 1999, 20(2): 56－60. (in Chinese with English abstract)

[14] 吳炳方，李強(qiáng)子. 基于兩個(gè)獨(dú)立抽樣框架的農(nóng)作物種植面積遙感估算方法[J]. 遙感學(xué)報(bào)，2004，8(6)：551－569 Wu Bingfang, Li Qiangzi. Crop acreage estimation using two individual sampling frameworks with stratification[J]. Journal of Remote Sensing, 2004, 8(6): 551－569. (in Chinese with English abstract)

[15] Tao Jianbin, Wu Wenbin, Zhou Yong, et al. Mapping winter wheat using phenological feature of peak before winter on the North China Plain based on time-series MODIS data[J]. Journal of Integrative Agriculture, 2017, 16(2): 348－359.

[16] 張霞，帥通，楊杭，等. 基于MODIS EVI圖像時(shí)間序列的冬小麥面積提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(增刊1)：220－224). Zhang Xia, Shuai Tong, Yang Hang, et al. Winter wheat planting area extraction based on MODIS EVI image time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(Supp.1): 220－224. (in Chinese with English abstract)

[17] Liu Z, Wu C, Liu Y, et al. Spring green-up date derived from GIMMS3g and SPOT-VGT NDVI of winter wheat cropland in the North China plain[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2017, 130: 81－91. (DOI: 10. 1016/j. isprsjprs. 2017. 05. 015)

[18] 趙晶晶，劉良云，徐自為，等. 華北平原冬小麥總初級(jí)生 產(chǎn)力的遙感監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(增刊1)： 346－351. Zhao Jingjing, Liu Liangyun, Xu Ziwei, et al. Monitoring winter wheat GPP in Huabei Plain using remote sensing and flux tower[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(Supp.1): 346－351. (in Chinese with English abstract)

[19] 鄒金秋，陳佑啟，Satoshi Uchida，等. 利用Terra/MODIS數(shù)據(jù)提取冬小麥面積及精度分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23(11)：195－200. Zou Jinqiu, Chen Youqi, Satoshi Uchida, et al. Method for extracting winter wheat area using Terra/MODIS data and its accuracy analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(11): 195－200. (in Chinese with English abstract)

[20] 許文波，張國(guó)平，范錦龍，等. 利用MODIS遙感數(shù)據(jù)監(jiān)測(cè)冬小麥種植面積[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23(12)：144－149. Xu Wenbo, Zhang Guoping, Fan Jinlong, et al. Remote sensing monitoring of winter wheat areas using MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(12): 144－149. (in Chinese with English abstract)

[21] 劉旭攏. 基于MODIS混合像元分解的冬小麥種植面積提取方法研究[D]. 北京：北京師范大學(xué)，2006. Liu Xulong. Extraction of Winter Wheat Area From Unmixing of Time Series of MODIS Data[D]. Beijing: Beijing Normal University, 2006. (in Chinese with English abstract)

[22] 王啟田，林祥國(guó)，王志軍，等. 利用面向?qū)ο蠓诸惙椒ㄌ崛《←湻N植面積的研究[J]. 測(cè)繪科學(xué)，2008，33(2)： 143－146. Wang Qitian, Lin Xiangguo, Wang Zhijun, et al. Extraction of winter wheat planting area by object-oriented classification method[J]. Science of Surveying And Mapping, 2008, 33(2): 143－146. (in Chinese with English abstract)

[23] 范磊，程永政，王來剛，等. 基于多尺度分割的面向?qū)ο蠓诸惙椒ㄌ崛《←湻N植面積[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，2010，31(6)：44－51. Fan Lei, Chen Yongzheng, Wang Laigang, et al. Estimation of winter wheat planting area using object-oriented method based on multi-scale segmentation[J]. Journal of China Agricultural Resources and Regional Planning, 2010, 31(6): 44－51. (in Chinese with English abstract)

[24] Dong T, Liu J, Qian B, et al. Estimating winter wheat biomass by assimilating leaf area index derived from fusion of Landsat-8 and MODIS data[J]. International Journal of Applied Earth Observations & Geoinformation, 2016, 49: 63－74.

[25] 朱長(zhǎng)明，駱劍承，沈占鋒，等. 基于地塊特征基元與多時(shí)相遙感數(shù)據(jù)的冬小麥播種面積快速提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27(9):94－99.

Zhu Changming, Luo Jiancheng, Shen Zhanfeng, et al. Winter wheat planting area extraction using multi-temporal remote sensing data based on field parcel characteristic[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(9): 94?99.(in Chinese with English abstract)

[26] Zhang Y, Xu W, Wang H, et al. Progress in genetic improvement of grain yield and related physiological traits of Chinese wheat in Henan Province[J]. Field Crops Research, 2016, 199: 117－128.

[27] 田海峰，王力，牛錚. 基于OLI影像的縣域冬小麥種植面積提取[J]. 河南農(nóng)業(yè)科學(xué)，2015，44(6)：156－160. Tian Haifeng, Wang Li, Niu Zheng. Study on planting area extraction of winter wheat based on oli images at county level[J]. Journal of Henan Agricultural Sciences, 2015, 44(6): 156－160. (in Chinese with English abstract)

[28] Friedl M A, Brodley C E. Decision tree classification of land cover from remotely sensed data[J]. Remote Sensing of Environment, 1997, 61(3): 399－409. (DOI: 10.1016/S0034- 4257(97)00049-7)

[29] Oetter D R, Cohen W B, Berterretche M, et al. Land cover mapping in an agricultural setting using multiseasonal Thematic Mapper data[J]. Remote Sensing of Environment, 2001, 76(2): 139－155

[30] Qiu B, Luo Y, Tang Z, et al. Winter wheat mapping combining variations before and after estimated heading dates[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2017, 123: 35－46

[31] 李樂，張錦水，朱文泉，等. 地塊支持下MODIS-NDVI時(shí)間序列冬小麥種植面積測(cè)量研究[J]. 光譜學(xué)與光譜分析，2011，31(5)：1379－1383. Li Le, Zhang Jinshui, Zhu Wenquan, et al. Winter wheat area estimation with MODIS-NDVI time series based on parcel[J]. Spectroscopy and Spectral Analysis, 2011, 31(5): 1379－1383. (in Chinese with English abstract)

[32] Gu X H, Pan Y Z, Zhu X F, et al. Consistency study between MODIS and TM on winter wheat plant area monitoring: A case in small area[J]. Journal of Remote Sensing, 2007, 11(3): 350－358. (DOI:10.3321/j.issn:1007- 4619.2007.03.009)

Winter wheat planting area extraction using multi-temporal remote sensing images based on field parcel

Deng Liuyang1,2, Shen Zhanfeng1,2※, Ke Yingming1,2, Xu Zeyu1,2

(1.100101,; 2.100049,)

Theestimation of winter wheat area based on remote sensing images is one of important contents in filed of agriculture information monitoring. However, it is difficult to solve the problems of spectrum heterogeneity in the same farmland and spectra similarity between different farmlands timely and accurately using mid-resolution images. In order to maximally avoid problems metioned above and accurately map the planting area of winter wheat, a object-parcel classification method was developed in the study area of Lankao Cunty, Henan Province. An improved identification procedure for geo-parcel based winter wheat identification was presented, combining fine-resolution image and multi-temporal medium-resolution images. Combined spectrum and filed parcel information, precisely extraction of winter wheat planting area was realized from multi-temporal OLI images and Google earth high-resolution images (resolution of 0.49 m) through the following several steps. 1) Constructing winter wheat decision tree extraction models to extract the simplified winter wheat area based on spectral feature. Crops performed different phenological characteristics during the growth and development stage, which displayed spectral differences on remote sensing images. And to obtain the optimum temporal phases to extract winter wheat planting area, temporal phase among typical crops in study area was analyzed based on the phenological characteristics; 2) The field parcel information generated from high-resolution imagery by multi-scale segmentation algorithm. And then, according to the field parcels obtained on the high-resolution images, the two simplified OLI images of winter wheat were superimposed on the parcel respectively. Partition statistics ratio (proportion of simplified winter wheat in each field parcels) was calculated, and then the winter wheat parcels on the high-resolution images were obtained based on partition statistics ratios. Finally, analyzing the extraction accuracy under different statistics ratio threshold, then generating high-resolution winter wheat plots based on the parcel; 3) Through cross validation, the winter wheat planting area was extracted. Identification results of the winter wheat with the parcel statistics ratio threshold of 0.20 in the phase-1 (OLI image on 2017-03-04, with higher extraction correctness ratio and lower misjudgment ratio) and the recognition result with the phase-2(OLI image on 2017-05-07) threshold of 0.30 were selected for cross-validation. The experiment result showed that the method could recognize winter wheat area accurately. The higher recognition accuracy (95.9%) was obtained under the lower misjudgment ratio (1.3%). Last but not least, an application of proposal method in Lankao County was performed to verify the accuracy of winter wheat extraction with the correctness ratio of 91.5%. And the accuracy of winter wheat recognition could be expected higher in regions with simple planting structure or less fragmental parcels. The omission of winter wheat extraction based on per-parcel classification mostly happened in the fragmental parcels, coupled with the accuracy of segmentation, because the parcels were not completely segmented according to the single crop type. Finally the performance of partition statistics ratio analysis in distinguishing pure winter wheat parcels and mixed winter wheat parcels was tested by controlling the partition statistics threshold. The identification results indicated that the integration of high spatial-temporal resolution imagery is promising for crop identification based on geo-parcel .

remote sensing; crops; monitoring; winter wheat; planting area;object-parcel classification

10.11975/j.issn.1002-6819.2018.21.019

S512.11

A

1002-6819(2018)-21-0157-08

2018-07-16

2018-09-19

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（編號(hào)：2017YFB0504204，2016YFB0502502）

鄧劉洋，研究方向?yàn)檫b感信息計(jì)算。Email：dengly@radi.ac.cn

沈占鋒，研究員，研究方向?yàn)楦叻直孢b感影像信息提取。Email：shenzf@radi.ac.cn

鄧劉洋，沈占鋒，柯映明，許澤宇.基于地塊尺度多時(shí)相遙感影像的冬小麥種植面積提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(21)：157－164. doi：10.11975/j.issn.1002-6819.2018.21.019 http://www.tcsae.org

Deng Liuyang, Shen Zhanfeng, Ke Yingming, Xu Zeyu.Winter wheat planting area extraction using multi-temporal remote sensing images based on field parcel [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 157－164. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.21.019 http://www.tcsae.org